将 url 与 python 中的自定义模式进行比较

Question

当我在网站上抓取文章 url 并获取所有 <a> 标签并获取所有 href 属性时，此 url 列表有一些链接不是文章的链接，而是指向其他类别或同一域内任何其他页面的链接，所以我需要做到以下几点：

为 url 创建一个模式并将链接列表中的每个 url 匹配到这个模式，这样我就可以知道这个 url 是不是文章 url

模式示例如下：

链接：“http://www.cnbc.com/2016/03/13/financial-times-china-rebuts-economy-doomsayers-on-debt-and.html”

模式匹配：http://www.cnbc.com/(*)/(*)/(*)/(*).html

所以用 (*) 替换链接的任何可变部分的想法

问题是如何将链接匹配到模式？

Answer 1

正则表达式 (regex) 匹配

您可以使用regex match 来完成此操作。

import re

# Example url
url = 'http://www.cnbc.com/2016/03/13/financial-times-china-rebuts-economy-doomsayers-on-debt-and.html'
# Create a regex match pattern
pattern = r'http://www.cnbc.com/(.+)/(.+)/(.+)/(.+).html'
# Find match
m = re.match(pattern, url)
# Get Groups
m.groups()

---

('2016',
 '03',
 '13',
 'financial-times-china-rebuts-economy-doomsayers-on-debt-and')